那么数据科学到底是什么？

数据科学是一个跨学科领域，它是数据，科学，技术及其业务影响的结合。该过程的业务价值非常重要，并且通常使用复杂的工具和技术从结构化或非结构化数据中提取知识和可行的见解，以优化业务目标，将其定义为“科学方法，过程，算法和系统领域，可从结构化或非结构化的各种形式的数据（例如数据挖掘）中提取知识或见解。”尽管数据科学的定义被广泛接受，但其含义是以及它在现实世界中的实现仍然是个谜。要深入研究业务含义，我们需要更好地理解数据科学的主要构建模块以及它们如何联系在一起。

数据是数据科学中重要的组成部分

重要的不是数据的大小（无论如何，“大”一词都是相对的），而是如何使用它。这个想法被冠以“明智的数据”之称，大数据的基本格局，但终重要的是“价值”。速度使得每天维护和分析超过200万条记录的数据变得非常困难，特征工程，即从原始数据创建有意义/有用的属性，是该领域的主要趋势。另一个关键趋势是使用特征工程将非结构化数据嵌入到功能强大的机器学习模型（如深度神经网络）中，以处理非结构化数据。

数据处理算法（更好地称为机器学习）是数据科学的基础

数据科学家遵循严格的流程在训练和构建机器学习模型的同时探索和分析数据集，机器学习模型解决了某些问题，例如预测客户流失或确定购买模式中有影响力的因素，从1950年代的神经网络开始，提供诸如支持向量机和随机森林之类的复杂算法，机器学习并没有使从业者失望，引人入胜的是通过训练验证测试过程对模型的即时反馈。如果做得正确，即使终模型没有达到期望的目标，这种探索也总会带来附加值。

数据处理和管理工具的进步已使机器学习模型得以应用

尽管传统的电子表格和SQL仍然是主要的工具，但是近有大量工具进入了环境-特别是在选择规模和快速发展的情况下，几年前谁曾想到Python和NoSQL分别与Java和SQL竞争？我们已经看到开源工具，云平台，SaaS和API的快速发展和采用，一种新颖的集成方式，可以在不了解基本语言的情况下选择快速有效地采用技术和发展工作，用于一种编程语言，用于批处理和流数据并行处理管道。

分布式计算和技术正在民主化，并已成为一种规范

借助智能且低成本的传感器，强大的GPU构建大规模，计算密集型的实际应用程序的难度已大大降低，在数据科学领域的许多新进入者中，业务KPI及其影响是重要和被低估的方面，时不时地，我遇到数据科学爱好者，应届毕业生和明亮的眼睛的研究人员（我曾经有过这样的一双），他们认为成为数据科学家意味着超越一些基准，没有！这是为了实现某些目标-在99％的案例中都是业务目标，是的在某些情况下，您会受到潜在问题的挑战，必须展现出魔力，但这不是起点。

大多数传统业务甚至在数字化阶段都处于过渡阶段

因此可以通过自动化，数据分析和预测建模解决许多问题。在我短暂的职业生涯中，我见证了一系列应用程序的成功案例：数量预测，客户流失预测，路由优化，实时出价，细粒度图像识别，作物优化，Web分析，保险估算，车辆控制优化-仅举几例。